基于Kinect相机的油麦菜自动化三维点云重建

为了解决传统三维点云重建过程中人工调参费时、费力,且精度得不到保障等问题,提出了一种三维点云自动化配准算法,并应用于油麦菜三维重建。使用Kinect相机采集油麦菜不同视角下的点云数据,通过配准实验分析配准参数的变化规律,继而建立了配准评价体系,实现了两片点云的自动化配准,并通过最小化匹配误差积累将多幅点云变换到同一基准坐标系下,实现了油麦菜三维重建。对随机选取的12株油麦菜进行自动化三维重建,结果表明,在两片点云重叠率不低于30%的前提下,本文算法可获得最优参数组合,自动全局配准平均距离误差为0.65cm,平均耗时为44.05s,具有较高的配准精确度和稳定性。本文算法能有效减少配准误差积累、构建较高精度的完整结构,可为其他作物三维重建提供参考。     

基于改进SIFT-ICP算法的Kinect植株点云配准方法

针对传统配准方法准确度低、速度慢的问题,提出了基于改进SIFT-ICP算法的彩色植株点云配准方法。首先采用Kinect获取不同视角下植株彩色图像和深度图像合成原始植株彩色点云,通过预处理提取原始点云植株信息,对植株点云进行尺度不变特征变换(SIFT)的特征点检测,得到点云配准关键点,再对关键点进行自适应法线估计,然后求取关键点的快速点特征直方图(FPFH),通过采样一致性(SAC-IA)初始配准方法改进点云间初始位置关系,最后利用Nanoflann加速最近点迭代(ICP)算法完成精确配准。试验结果表明,改进SIFT-ICP算法可以大幅度提高点云配准的准确性和快速性,其中对应点间平均欧氏距离小于7 mm,配准时间小于30 s。     

基于快速点特征直方图的树木点云配准

随着农林业智能化与信息化发展,树木三维重建技术成为国内外研究的热点。为获取具有颜色信息的树木三维点云,需配准不同视角下的彩色点云数据,为果树三维重建提供基础数据。为此采用仿真树模拟果树,提出一种基于快速点特征直方图(FPFH)的树木点云配准方法,通过添加标定物增加具有稳定FPFH特征的点云个数,从而提高点对配准精度。首先,采用第二代Kinect相机获取树木多个视角的RGB图像和深度图像,通过数据融合、背景去除、滤波等预处理步骤,得到待配准的树木彩色点云数据。然后,使用采样一致性初始配准算法(SAC-IA)根据FPFH特征寻找不同视角下的匹配点对,求取近似变换矩阵。最后,采用最近点迭代算法(ICP)优化初始配准结果。此外,探讨Kinect采集距离、高度、视角差对配准精度的影响,确定最佳的数据采集方式：相机到树木中心的距离为2 m,相机高度为10 cm,每次扫描间隔45°。试验结果表明：设置标定物可以获取鉴别力更强的FPFH特征,提高配准精度,最终配准误差小于1.9 cm。     

基于三维点云的群体樱桃树冠层去噪和配准方法

樱桃树的栽培密度影响其冠层的光照分布,通过研究群体樱桃树的三维结构,可分析不同栽植密度下温室甜樱桃树冠层光照分布规律,指导樱桃树的科学种植,进而提高甜樱桃产量和品质。高质量的点云数据是构建群体樱桃树三维结构的基础,而点云去噪和点云配准是点云数据预处理的关键环节。本文提出一种基于三维点云的群体樱桃树去噪和配准方法,搭建群体樱桃树三维信息采集平台,使用2台固定的DK深度相机获取群体樱桃树彩色点云数据;提出基于颜色区域生长的二分类方法,设置颜色阈值分割点云并进行二分类处理,可有效去除彩色点云数据中的异常无效点,并设置点云离散度和RGB值,作为点云去噪评价标准;结合人工标记法和双相机位姿矩阵,提出基于颜色特征改进的ICP方法,解决传统ICP配准算法多依赖初始位姿且配准速度较慢的问题。该方法通过对点云粗配准,得到较好的初始位姿,使用SIFT算法提取颜色特征点,将颜色特征与ICP算法结合进行点云精配准,然后使用PCL中随机采样一致性算法,去除错误匹配点,有效减少配准时间,提高配准精度。以夏季和冬季的群体樱桃树20组点云数据为实验对象,对比分析ICP算法、NDT算法、SAC-IA算法和本文配准方法的配准精度和配准时间,结果表明,本文配准方法平均耗时分别为5.01、4.30s,均方根误差分别为2.316、2.100cm,有效减少了配准时间和配准误差,验证了本文算法的有效性和普适性。     

基于骨架点的矮化密植枣树三维点云自动配准

为了实现枣园的自动化管理,针对枣树自动化选择性冬剪作业要求,需要重建出矮化密植无叶枣树枝干的三维模型。利用2台固定的Azure Kinect DK深度相机搭建获取枣树点云信息的三维重建系统平台,然后把系统平台逆时针旋转55°获取同一棵枣树的另一帧三维点云信息。为了自动完成2帧点云的配准,提出了基于骨架点的枣树点云配准方法：首先利用FPFH特征描述子计算骨架点的特征向量,并采用SAC-IA（采样一致性）算法对2个视角下的枣树骨架点云进行初始匹配;其次利用经典的ICP算法对初始位姿进行优化;最终只采用2个视角下的点云重建枣树枝干的三维模型。实验对比了在3种典型自然环境下（晴天、阴天、夜间）枣树点云的配准精度和配准时间,结果表明：晴天时对采集系统有一定的影响,使得配准后的枣树枝干有部分不完整;阴天和夜间对采集系统影响小,能够重建出完整的枣树枝干;相对于阴天和夜间,晴天时,枣树点云配准耗时最少,为0.09s,而配准误差最大,其拟合分数为0.00029;阴天时,枣树点云配准时间介于晴天和夜间之间,为0.12s,而此时配准误差最小,其拟合分数为0.00011;夜间配准误差介于晴天和阴天,且此时配准时间最长,为0.16s。     

基于Kinect相机的土壤表面三维点云配准方法

为了更好地建立土壤表面的三维点云形态结构模型,使用Kinect相机拍摄土壤表面,获取土壤表面的彩色图像和深度图像。针对传统最近点迭代算法对配准点云的空间位置要求比较严格的问题,采用了点云初始配准的方法。这种方法首先去除土壤表面深度图像的无用背景信息以及噪声,再对三维点云进行初始配准以及精确配准。在初始配准的过程中,对获取的土壤表面点云信息进行归一化对齐径向特征关键点搜索,得到具有代表性、且比较均匀的点云关键点,然后采用快速点特征值直方图的方法提取关键点的特征值,采用随机抽样一致性算法提纯映射关系,以此来完成点云的初始配准。最后采用最近点迭代算法完成土壤表面三维点云的精确配准。传统的最近点迭代算法的配准时间是58. 2 s,配准误差是3. 80 cm,改进后的方法配准时间为124. 8 s,配准误差为0. 89 cm。相比传统最近点迭代算法,改进后方法的配准时间虽延长了66. 6 s,但配准误差降低了2. 91 cm。结果表明,该方法简单,易于处理,成本较低,可以实现土壤表面的三维重建。     

基于SICK和Kinect的植株点云超限补偿信息融合

针对传统点云信息融合需要限制传感器之间位置以及繁杂标定和Kinect传感器室外工作受光照条件影响会出现目标边缘缺失的问题,提出了基于SICK和Kinect相机组合探测的植株点云超限补偿信息融合方法。首先采用SICK二维激光传感器融合实时行进速度传感器,实现对植株三维点云重构,同时通过Kinect传感器获取植株彩色和深度图像合成彩色点云,然后分别对SICK和Kinect异源点云进行阈值滤波预处理和体素栅格下采样,求取各点法线及快速点特征直方图,利用采样一致性初始配准方法使异源点云之间拥有较好的初始位置关系,再进一步使用ICP算法精确配准,通过近似最近邻搜索和超限补偿的方法完成点云信息融合。在超限补偿方法中,通过对比转换后点云间误差,判断数据有效性,实现对数据的最终融合。试验结果表明,本文方法可以有效、准确地实现不同点云之间的信息融合,并能有效抑制阳光的干扰。     

基于点云配准的盆栽金桔果实识别与计数方法

为解决整株盆栽金桔果实识别及总体计数问题,提出了基于三维点云配准的金桔果实识别方法。首先,使用RGB-D相机采集植物多角度点云数据并进行背景去除和去噪处理。然后采用随机采样一致性(Random sample consensus, RANSAC)算法进行圆柱拟合获得旋转中心轴参数,将点云绕中心轴旋转固定角度完成初配准,之后采用点到面的迭代最近点(Iterative closest point, ICP)算法完成精配准得到完整点云。最后,对点云进行欧氏聚类分割,采用随机采样一致性算法对聚类后点云进行球形分割,获得每个果实的三维空间位置并计数。本研究对9株盆栽金桔(共149个果实)进行识别,总计识别查全率为85.91%,查准率为79.01%,F1值为82.32%,果实数量预测值和真实值的决定系数为0.97,平均绝对百分比误差为16.02%。实验结果表明,本文方法不依赖颜色信息,能够有效识别整株植物中未成熟的青色果实,可为果实识别与产量估计等研究提供参考。     

基于Kinect v2传感器的果树枝干三维重建方法

针对果树三维重构中存在建模精度低、成本高、拓扑结构差等问题,提出一种基于Kinect v2传感器的果树表型三维重建与骨架提取方法。首先,使用Kinect v2传感器采集不同视角下的果树点云数据;其次,对植株点云进行尺度不变特征变换的特征点检测,对关键点使用快速点特征直方图算法进行特征向量计算,通过随机抽样一致性方法提纯点云的初始位置,经初始变换后使用改进的迭代最近点算法进行精配准、拼接形成完整点云;最后,使用Delaunay三角剖分解构点云数据对缺失点云进行填充,使用Dijkstra最短路径算法对最小生成树进行求取,通过迭代去除冗余分量对骨架进行简化,使用圆柱拟合算法估算枝干骨架,将枝干骨架变为封闭凸包多面体,实现果树的枝干三维重建。实验结果表明：采用本文所提建模方法点云平均配准误差为0.52cm,枝干平均重构误差不超过3.52%,重建效果良好。研究成果可为果园评估作物状态、智能化修剪等研究提供数据支持。     

基于深度信息的草莓三维重建技术

以盆栽和高架两种栽培模式生长环境下的草莓植株为研究对象,提出了一种基于深度信息分割聚类的草莓冠层结构形态三维重建算法。首先,以深度信息的不连续性特征作为草莓植株逐层分割的重要依据,以深度二维图像作为全局参考指标,提出深度信息步进方法,自动提取冠层点云;其次,改进密度聚类算法,有效滤除随机、跳边和背景噪声;最后,改进基于Harris算子的多源图像融合算法,实现彩色图像与强度图像的配准及点云颜色的映射,三维重建出具有颜色信息的草莓冠层结构形态。为验证该算法的有效性,将三维重建后冠层的平均单叶长度及A-B线距离作为评价指标,试验结果表明,模型的平均单叶长度计算正确率为93%左右,A-B线距离计算正确率为97%左右,研究结果可为草莓采摘机器人果实识别过程中枝叶空间结构关系的构建提供技术支持。     

基于三维点云的叶面积估算方法

为实现低成本无损精确测定叶片面积,基于运动恢复结构算法获取点云,提出了一种融合叶片点云分割、表面重建及叶片面积无损估测等过程的植物叶片面积提取方法。首先,基于运动结构恢复算法,以智能手机获取的可见光图像重建植物的三维点云;其次,为了还原叶片表面形状,基于HSV颜色空间,使用阈值分割法去除叶片点云的噪点;使用K-means聚类算法对点云的三维坐标矩阵进行分类,实现单片叶片点云的分割;基于滚球算法重建叶片的表面网格模型;最后,通过计算网格面积求得叶片面积。与常规叶面积测定方法进行了对比,本文方法的计算结果与扫描叶片法测定值相比平均误差为1.21cm2,误差占叶片面积的平均百分比为4.67%;与叶形纸称量法测定值相比平均误差为1.41cm2,误差占叶片面积的平均百分比为6.05%。结果表明,本文方法成本低、精确度高,可满足植物叶片面积无损精确测定的需求。     

基于旋转曲面轮廓特征的农田地表点云配准研究

作业场景重建可为智能农机自主作业提供全局信息与局部细节,针对因农田表面缺乏高区分度的点、线、面高层结构造成的特征描述性差、点云配准精度不足的问题,提出一种基于旋转曲面轮廓特征的农田地表点云配准方法。首先,采用32线激光雷达获取农田真实地表点云数据并完成去噪、降采样等预处理;然后,采用加权线性协方差矩阵的奇异值分解确定关键点唯一局部参考坐标系,并统计关键点与旋转曲面截面交点距离信息,生成地表点云的局部特征;最后,采用基于单特征初选与局部特征精匹配原则的多级特征匹配策略进行局部特征匹配,计算旋转矩阵与平移矩阵完成点云配准。试验结果表明,旋转曲面轮廓特征与其他特征相比,平均精度增加7.5个百分点,平均召回率增加24.09个百分点;多级特征匹配策略相对于最近邻搜索策略,平均精度增加12.68个百分点,平均召回率增加18.38个百分点;本文的点云配准方法的平均平移误差为23.59dr,平均旋转误差为3.72°,配准成功率为87.5%。因此,本文提出的基于旋转曲面轮廓特征的农田地表点云配准方法适用于真实农业地表无序点云的自动配准。     

基于动态K阈值的苹果叶片点云聚类与生长参数提取

根据冠层点云的分布特征,提出一种基于动态K阈值的叶片点云聚类及生长参数提取方法。首先,采用地面三维激光扫描仪获取多站点云数据并完成配准、去噪和抽稀等预处理;然后,随机截取整株点云中的一枝作为研究对象,融合局部凹凸性算法(LCCP)并改进K-means算法,提出基于动态K阈值的叶片点云聚类方法;最后,采用主成分分析方法(PCA)计算叶片点云法平面方向向量,并根据叶片边界点与中心点的位置关系,计算叶宽、叶长等生长参数。试验结果表明,与传统的点云聚类方法相比,本文方法能够在不损失枝干点云的前提下,精确地分割单叶片,保证了聚类结果的完整性和彻底性;与传统的降维方法相比,本文基于真实三维空间信息提取叶片生长参数能够较大程度提高提取准确性,为进一步评价果树冠层光照分布及果园智能化管理提供技术支持。     

基于三维点云的苹果树叶片三维重建研究

叶片是果树冠层的重要组成部分,对其进行三维重建研究不仅可以对叶片形态特征进行分析,还能为冠层光照分布计算以及果树整形修剪提供理论基础。三维激光扫描仪以非接触、高效、快速获取数据的优势被大量应用于三维空间信息采集工作中。本文提出一种基于三维点云的苹果树叶片结构形态三维重建方法。首先针对叶片的形态特点选择合适的三维激光扫描仪获取苹果叶片三维点云;基于包围盒法搜索K邻域,计算点云中点与其邻域点的平均距离,并设定距离阈值作为判定中心点是否为离散点的依据,进而确定离散点并去除;利用最小二乘原理实现点云局部曲面拟合以及法向量、曲率的计算,提取叶片边界点;对于非边界点部分,根据中心点法向量与其邻域法向量的关系,对点进行不同程度的精简;最后对处理后的叶片点云完成三维重建。结果表明,构建的叶片模型能够较好的保留叶片的三维形态特征,可以为果树冠层重建和光照分布计算提供基础。